目錄
- Scrapy下載圖片項目介紹
- 使用Scrapy下載圖片
- 項目創建
- 項目預覽
- 創建爬蟲文件
- 項目組件介紹
- Scrapy爬蟲流程介紹
- 頁面結構分析
- 最終目錄樹
- 項目運行
- 爬取結果
- 后記
Scrapy下載圖片項目介紹
Scrapy是一個適用爬取網站數據、提取結構性數據的應用程序框架，它可以通過定制化的修改來滿足不同的爬蟲需求。
使用Scrapy下載圖片
項目創建
首先在終端創建項目
# win4000為項目名
$ scrapy startproject win4000
該命令將創建下述項目目錄。
項目預覽
查看項目目錄
- win4000
- win4000
- spiders
- __init__.py
- __init__.py
- items.py
- middlewares.py
- pipelines.py
- settings.py
- scrapy.cfg
創建爬蟲文件
進入spiders文件夾，根據模板文件創建爬蟲文件
$ cd win4000/win4000/spiders
# pictures 為 爬蟲名
$ scrapy genspider pictures "win4000.com"
項目組件介紹
1.引擎(Scrapy)：核心組件，處理系統的數據流處理，觸發事務。
2.調度器(Scheduler)：用來接受引擎發出的請求, 壓入隊列中, 并在引擎再次請求的時候返回。由URL組成的優先隊列, 由它來決定下一個要抓取的網址是什么，同時去除重復的網址。
3.下載器(Downloader)：用于下載網頁內容, 并將網頁內容返回給Spiders。
4.爬蟲(Spiders)：用于從特定的網頁中提取自己需要的信息, 并用于構建實體(Item)，也可以從中提取出鏈接,讓Scrapy繼續抓取下一個頁面
5.管道(Pipeline)：負責處理Spiders從網頁中抽取的實體，主要的功能是持久化實體、驗證實體的有效性、清除不需要的信息。當頁面被Spiders解析后，將被發送到項目管道。
6.下載器中間件(Downloader Middlewares)：位于Scrapy引擎和下載器之間的框架，主要是處理Scrapy引擎與下載器之間的請求及響應。
7.爬蟲中間件(Spider Middlewares)：介于Scrapy引擎和爬蟲之間的框架，主要工作是處理Spiders的響應輸入和請求輸出。
8.調度中間件(Scheduler Middewares)：介于Scrapy引擎和調度之間的中間件，從Scrapy引擎發送到調度的請求和響應。
Scrapy爬蟲流程介紹
Scrapy基本爬取流程可以描述為UR2IM(URL-Request-Response-Item-More URL)：
1.引擎從調度器中取出一個鏈接(URL)用于接下來的抓取；
2.引擎把URL封裝成一個請求(Request)傳給下載器；
3.下載器把資源下載下來，并封裝成應答包(Response)；
4.爬蟲解析Response；
5.解析出實體（Item）,則交給實體管道進行進一步的處理；
6.解析出的是鏈接（URL）,則把URL交給調度器等待抓取。
頁面結構分析
首先查看目標頁面，可以看到包含多個主題，選取感興趣主題，本項目以“風景”為例(作為練習，也可以通過簡單修改，來爬取所有模塊內圖片)。
在“風景”分類頁面，可以看到每頁包含多個專題，利用開發者工具，可以查看每個專題的URL，拷貝相應XPath，利用Xpath的規律性，構建循環，用于爬取每個專題內容。
# 查看不同專題的XPath
# /html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li[1]/a
# /html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li[2]/a
利用上述結果，可以看到li[index]中index為專題序列。因此可以構建Xpath列表如下：
item_selector = response.xpath('/html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li/a/@href')
利用開發者工具，可以查看下一頁的URL，拷貝相應XPath用于爬取下一頁內容。
# 查看“下一頁”的XPath
# /html/body/div[3]/div/div[3]/div[1]/div[2]/div/a[5]
因此可以構建如下XPath：
next_selector = response.xpath('//a[@class="next"]')
點擊進入專題，可以看到具體圖片，通過查看圖片XPath，用于獲取圖片地址。
# 構建圖片XPath
response.xpath('/html/body/div[3]/div/div[2]/div/div[2]/div[1]/div/a/img/@src').extract_first()
可以通過標題和圖片序列構建圖片名。
# 利用序號XPath構建圖片在列表中的序號
index = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/span/text()').extract_first()
# 利用標題XPath構建圖片標題
title = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/h1/text()').extract_first()
# 利用圖片標題title和序號index構建圖片名
name = title + '_' + index + '.jpg'
同時可以看到，在專題頁面下，包含了多張圖片，可以通過點擊“下一張”按鈕來獲取下一頁面URL，此處為了簡化爬取過程，可以通過觀察URL規律來構建每一圖片詳情頁的URL，來下載圖片。
# 第一張圖片詳情頁地址
# http://www.win4000.com/wallpaper_detail_45401.html
# 第二張圖片詳情頁地址
# http://www.win4000.com/wallpaper_detail_45401_2.html
因此可以通過首頁地址和圖片序號來構建每一張圖片詳情頁地址。
# 第一張圖片詳情頁地址
first_url = response.url
# 圖片總數
num = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/em/text()').extract_first()
num = int(num)
for i in range(2,num+1):
next_url = '.'.join(first_url.split('.')[:-1]) + '_' + str(i) + '.html'
定義Item字段（Items.py）
本項目用于下載圖片，因此可以僅構建圖片名和圖片地址字段。
# win4000/win4000/items.py
import scrapy
class Win4000Item(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
url = scrapy.Field()
name = scrapy.Field()
編寫爬蟲文件(pictures.py)
代碼詳解見代碼注釋。
# win4000/win4000/spiders/pictures.py
import scrapy
from win4000.items import Win4000Item
from urllib import parse
import time
class PicturesSpider(scrapy.Spider):
name = 'pictures'
allowed_domains = ['win4000.com']
start_urls = ['http://www.win4000.com/zt/fengjing.html']
start_urls = ['http://www.win4000.com/zt/fengjing.html']
# cookie用于模仿瀏覽器行為
cookie={
"t":"29b7c2a8d2bbf060dc7b9ec00e75a0c5",
"r":"7957",
"UM_distinctid":"178c933b40e9-08430036bca215-7e22675c-1fa400-178c933b40fa00",
"CNZZDATA1279564249":"1468742421-1618282415-%7C1618282415",
"XSRF-TOKEN":"eyJpdiI6Ik8rbStsK1Fwem5zR2YzS29ESlI2dmc9PSIsInZhbHVlIjoiaDl5bXp5b1VvWmdSYklWWkEwMWJBK0FaZG9OaDA1VGQ2akZ0RDNISWNDM0hnOW11Q0JTVDZFNlY4cVwvSTBjQlltUG9tMnFUcWd5MzluUVZ0NDBLZlJuRWFuaVF0U3k0XC9CU1dIUzJybkorUEJ3Y2hRZTNcL0JqdjZnWjE5SXFiNm8iLCJtYWMiOiI2OTBjOTkzMTczYWQwNzRiZWY5MWMyY2JkNTQxYjlmZDE2OWUyYmNjNDNhNGYwNDAyYzRmYTk5M2JhNjg5ZmMwIn0%3D",
"win4000_session":"eyJpdiI6Inc2dFprdkdMTHZMSldlMXZ2a1cwWGc9PSIsInZhbHVlIjoiQkZHVlNYWWlET0NyWWlEb2tNS0hDSXAwZGVZV05vTmY0N0ZiaFdTa1VRZUVqWkRmNWJuNGJjNkFNa3pwMWtBcFRleCt4SUFhdDdoYnlPMGRTS0dOR0tkdmVtVDhzUWdTTTc3YXpDb0ZPMjVBVGJzM2NoZzlGa045Qnl0MzRTVUciLCJtYWMiOiI2M2VmMTEyMDkxNTIwNmJjZjViYTg4MjIwZGIxNTlmZWUyMTJlYWZhNjk5ZmM0NzgyMTA3MWE4MjljOWY3NTBiIn0%3D"
}
def start_requests(self):
"""
重構start_requests函數，用于發送帶有cookie的請求，模仿瀏覽器行為
"""
yield scrapy.Request('http://www.win4000.com/zt/fengjing.html', callback=self.parse, cookies=self.cookie)
def parse(self,response):
# 獲取下一頁的選擇器
next_selector = response.xpath('//a[@class="next"]')
for url in next_selector.xpath('@href').extract():
url = parse.urljoin(response.url,url)
# 暫停執行，防止網頁的反爬蟲程序
time.sleep(3)
# 用于爬取下一頁
yield scrapy.Request(url, cookies=self.cookie)
# 用于獲取每一專題的選擇器
item_selector = response.xpath('/html/body/div[3]/div/div[3]/div[1]/div[1]/div[2]/div/div/ul/li/a/@href')
for item_url in item_selector.extract():
item_url = parse.urljoin(response.url,item_url)
#print(item_url)
time.sleep(3)
# 請求專題頁面，并利用回調函數callback解析專題頁面
yield scrapy.Request(item_url,callback=self.parse_item, cookies=self.cookie)
def parse_item(self,response):
"""
用于解析專題頁面
"""
# 由于Scrapy默認并不會爬取重復頁面，
# 因此需要首先構建首張圖片實體，然后爬取剩余圖片，
# 也可以通過使用參數來取消過濾重復頁面的請求
# 首張圖片實體
item = Win4000Item()
item['url'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[2]/div[1]/div/a/img/@src').extract_first()
index = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/span/text()').extract_first()
item['name'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/h1/text()').extract_first() + '_' + index + '.jpg'
yield item
first_url = response.url
num = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/em/text()').extract_first()
num = int(num)
for i in range(2,num+1):
next_url = '.'.join(first_url.split('.')[:-1]) + '_' + str(i) + '.html'
# 請求其余圖片，并用回調函數self.parse_detail解析頁面
yield scrapy.Request(next_url,callback=self.parse_detail,cookies=self.cookie)
def parse_detail(self,response):
"""
解析圖片詳情頁面，構建實體
"""
item = Win4000Item()
item['url'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[2]/div[1]/div/a/img/@src').extract_first()
index = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/span/text()').extract_first()
item['name'] = response.xpath('/html/body/div[3]/div/div[2]/div/div[1]/div[1]/h1/text()').extract_first() + '_' + index + '.jpg'
yield item
修改配置文件settings.py
修改win4000/win4000/settings.py中的以下項。
BOT_NAME = 'win4000'
SPIDER_MODULES = ['win4000.spiders']
NEWSPIDER_MODULE = 'win4000.spiders'
# 圖片保存文件夾
IMAGES_STORE = './result'
# Crawl responsibly by identifying yourself (and your website) on the user-agent
# 用于模仿瀏覽器行為
USER_AGENT = 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:87.0) Gecko/20100101 Firefox/87.0'
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
# 下載時延
DOWNLOAD_DELAY = 3
# Disable cookies (enabled by default)
# 是否啟用Cookie
COOKIES_ENABLED = True
# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'win4000.pipelines.Win4000Pipeline': 300,
}
修改管道文件pipelines.py用于下載圖片
修改win4000/win4000/pipelines.py文件。
from itemadapter import ItemAdapter
from scrapy.pipelines.images import ImagesPipeline
import scrapy
import os
from scrapy.exceptions import DropItem
class Win4000Pipeline(ImagesPipeline):
def get_media_requests(self, item, info):
# 下載圖片，如果傳過來的是集合需要循環下載
# meta里面的數據是從spider獲取，然后通過meta傳遞給下面方法：file_path
yield scrapy.Request(url=item['url'],meta={'name':item['name']})
def item_completed(self, results, item, info):
# 是一個元組，第一個元素是布爾值表示是否成功
if not results[0][0]:
with open('img_error_name.txt','a') as f_name:
error_name = str(item['name'])
f_name.write(error_name)
f_name.write('\n')
with open('img_error_url.txt','a') as f_url:
error_url = str(item['url'])
f_url.write(error_url)
f_url.write('\n')
raise DropItem('下載失敗')
return item
# 重命名，若不重寫這函數，圖片名為哈希，就是一串亂七八糟的名字
def file_path(self, request, response=None, info=None):
# 接收上面meta傳遞過來的圖片名稱
filename = request.meta['name']
return filename
編寫爬蟲啟動文件begin.py
在win4000目錄下創建begin.py
# win4000/begin.py
from scrapy import cmdline
cmdline.execute('scrapy crawl pictures'.split())
最終目錄樹
- win4000
- begin.py
- win4000
- spiders
- __init__.py
- pictures.py
- __init__.py
- items.py
- middlewares.py
- pipelines.py
- settings.py
- scrapy.cfg
項目運行
進入begin.py所在目錄，運行程序，啟動scrapy進行爬蟲。
爬取結果
后記
本項目僅用于測試用途。
Enjoy coding.
到此這篇關于Python爬蟲之教你利用Scrapy爬取圖片的文章就介紹到這了,更多相關python中用Scrapy爬取圖片內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Python爬蟲實戰之使用Scrapy爬取豆瓣圖片
- Python爬取網站圖片并保存的實現示例
- python制作微博圖片爬取工具
- python繞過圖片滑動驗證碼實現爬取PTA所有題目功能 附源碼
- 利用python批量爬取百度任意類別的圖片的實現方法
- Python使用xpath實現圖片爬取
- Python Scrapy圖片爬取原理及代碼實例
- Python3直接爬取圖片URL并保存示例
- python爬取某網站原圖作為壁紙
- 用Python做一個嗶站小姐姐詞云跳舞視頻
